第T6周：好莱坞明星识别

文为🔗365天深度学习训练营内部限免文章 参考本文所写记录性文章，请在文章开头注明以下内容，复制粘贴即可

Python复制代码

1

2

>- **🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**

>- **🍖 原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)**

一、前期工作

安装tesonflow

数据预处理

传入参数即为自己设计的图片长宽，载入数据集后需声明匹配

构建CNN网络

"""
关于卷积核的计算不懂的可以参考文章：https://blog.csdn.net/qq_38251616/article/details/114278995

layers.Dropout(0.4) 作用是防止过拟合，提高模型的泛化能力。
关于Dropout层的更多介绍可以参考文章：https://mtyjkh.blog.csdn.net/article/details/115826689
"""

model = models.Sequential([
    layers.experimental.preprocessing.Rescaling(1./255, input_shape=(img_height, img_width, 3)),
    
    layers.Conv2D(16, (3, 3), activation='relu', input_shape=(img_height, img_width, 3)), # 卷积层1，卷积核3*3  
    layers.AveragePooling2D((2, 2)),               # 池化层1，2*2采样
    layers.Conv2D(32, (3, 3), activation='relu'),  # 卷积层2，卷积核3*3
    layers.AveragePooling2D((2, 2)),               # 池化层2，2*2采样
    layers.Dropout(0.5),  
    layers.Conv2D(64, (3, 3), activation='relu'),  # 卷积层3，卷积核3*3
    layers.AveragePooling2D((2, 2)),     
    layers.Dropout(0.5),  
    layers.Conv2D(128, (3, 3), activation='relu'),  # 卷积层3，卷积核3*3
    layers.Dropout(0.5), 
    
    layers.Flatten(),                       # Flatten层，连接卷积层与全连接层
    layers.Dense(128, activation='relu'),   # 全连接层，特征进一步提取
    layers.Dense(len(class_names))               # 输出层，输出预期结果
])

model.summary()  # 打印网络结构

试跑结果

此时载入报错：

原因：Visdom 服务器未能连接。Visdom 是一个用于可视化的数据可视化工具，可能在你的项目中用于监控训练过程。 可视化使用visdom需在浏览器或pycharm工具台打开。

模型评估：

学习心得：

1.尝试vgg网络构建，源码源自github，准确率不达到要求，将图片尺寸等比例缩小为224x224------256x256后准确率也未满百分五十，原因未知。

2.适当调整正则化参数，0.1-0.3取得最好的调节效能

3.尝试截取不同图片素材，网络框架有素材要求，需要素材不出现多张人脸，否则准确率会膨胀（爆炸）